C++调用Python工程

1. 工具：

vs2015，python3.9

2. 配置c++工程环境:

1. 查看解决方案配置

这里是Release x64，

2. 打开属性管理器，在工程名下找到  Release x64文件夹，

3. 右键属性，在 VC++目录-包含目录 里面添加 Python 的 include 路径

在 库目录 里面添加Python 的 libs 路径

 4. 在链接器的输入的附加依赖项中添加python39.lib文件(我的python版本是3.9)，

 注意:  如果第一步的解决方案配置是Debug则需要在相应的文件下面改动，在第四步添加的.lib文件也需要改成python39_d.lib。原目录下可能没有这个文件，只有python39.lib，只需将其复制并改名。

到这环境就已经准备好了 。

3.  .py（有删减）

# encoding: utf-8
"""
@Time:2022/3/21 16:01
@Author: shujin sun
@Desc: 缺陷检测测试
"""

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
import math

# 中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 显示中文
plt.rcParams['axes.unicode_minus'] = False  # 显示坐标轴负号


class DetectDefect:
    def __init__(self):
        self.little_img_file = ''
        self.big_img_file = ''

        self.big_img = np.array(0)
        self.little_img = np.array(0)
        self.roi_img = np.array(0)
        # 缺陷检测二值化结果
        self.bw_img = np.array(0)

        # big image 的大小
        self.w = 0
        self.h = 0
        # 重点关注区域，即中间区域
        self.roi_rect = [0, 0, 0, 0]
        self.roi_patchs = []
        # 缺陷检测阈值
        self.thresh_value = 3000

        # 所有的匹配方法
        self.match_methods = ['cv.TM_CCOEFF',  # 相关系数匹配法
                              'cv.TM_CCOEFF_NORMED',  # 归一化版本
                              'cv.TM_CCORR',  # 相关匹配法
                              'cv.TM_CCORR_NORMED',
                              'cv.TM_SQDIFF',  # 平方差匹配法
                              'cv.TM_SQDIFF_NORMED']

    def set_little_image(self, _file):
        self.little_img_file = _file
        self.little_img = cv.imread(_file)# cv.IMREAD_GRAYSCALE

    def set_big_image(self, _file):
        self.big_img_file = _file
        self.big_img = cv.imread(_file)
        print(self.big_img.shape)
        self.h, self.w = self.big_img.shape[:2]
        print('big image shape: ', self.w, self.h)

    def set_thresh_value(self, thresh_value):
        """设置缺陷检测阈值门限"""
        self.thresh_value = thresh_value

    def conduct_edge(self, src):
        '''边缘检测'''
        # 计算像素中位数
        gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
        median_intensity = np.median(gray_img)

        lower_threshold = int(max(0, (1.0 - 0.33) * median_intensity))
        upper_threshold = int(min(255, (1.0 + 0.33) * median_intensity))

        canny_img = cv.Canny(gray_img, lower_threshold, upper_threshold)

        plt.imshow(canny_img, cmap='gray')
        plt.title('canny edge detect result')
        plt.xticks([]), plt.yticks([])
        plt.show()

    def conduct_binary_adaptive(self, src):
        """二值化操作,自适应方法"""
        src = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
        bw_img = cv.adaptiveThreshold(src,
                                      255,
                                      cv.ADAPTIVE_THRESH_MEAN_C,#cv.ADAPTIVE_THRESH_GAUSSIAN_C,
                                      cv.THRESH_BINARY,
                                      5,
                                      7)
        return bw_img

    def conduct_binary(self, src):
        """二值化操作"""
        src = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
        mean_intensity = np.mean(src)
        median_intensity = np.median(src)
        # print('图像灰度均值、中值：', mean_intensity, median_intensity)
        _, bw_img = cv.threshold(src, mean_intensity, 255, cv.THRESH_BINARY_INV+cv.THRESH_OTSU)
        return bw_img

    def match_template(self, big, little):
        img = big.copy()
        # eval函数，将字符串作为脚本代码来执行
        idx = 3  # 1 or 3方法效果最好
        print('选择的匹配算法：', self.match_methods[idx])
        method = eval(self.match_methods[idx])
        res = cv.matchTemplate(img, little, method)

        min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)
        top_left = max_loc
        h, w = little.shape[:2]
        bottom_right = (top_left[0] + w, top_left[1] + h)
        return top_left, bottom_right



if __name__ == '__main__':
    # 匹配文件名称
    template_img_file = r'D:\51\template2.bmp'
    big_img_file = r'D:\51\sample5.bmp'

    detector = DetectDefect()
    detector.set_big_image(big_img_file)
    detector.set_little_image(template_img_file)
    detector.set_roi_rect()
    detector.set_thresh_value(thresh_value=6500) # 2000, 6500
    detector.show_roi_img()
    detector.split_patches()
    detector.defect_analyze_patchs()

4. c++文件

#include <Python.h>
#include <iostream>
#include <string>
#include <windows.h> 

int main() {
	Py_Initialize();   // 初始化
	if (Py_IsInitialized())
		std::cout << "Init Success" << std::endl;

	PyRun_SimpleString("import sys");             // 在python初始化之后
	PyRun_SimpleString("sys.path.append('D:/51')");  // 添加.py文件路径，注意\是转意符

	system("python demo_defect_detection.py --function==__main__"); 
// 带参数函数 ：system("python *.py --function==函数名 --参数名1==参数值1 --参数名2==参数值2")
	Py_Finalize();

	return 0;

}

 5.运行，成功

 

6.总结

这个方法主要是在c++工程里使用python解释器去运行python工程。